1865 年,英国经济学家威廉·杰文斯写了一本书,叫《煤炭问题》。
当时英国正为煤炭消耗忧心忡忡, 主流观点很乐观: 瓦特改良的蒸汽机效率越来越高, 干同样的活需要的煤越来越少, 煤炭问题会自己解决。
杰文斯说: 恰恰相反。他观察到一个诡异的事实:蒸汽机效率每提升一轮, 英国的煤炭总消耗不降反升。逻辑其实不复杂——效率提升让蒸汽动力变便宜, 便宜让原本用不起蒸汽机的场景全部用得起了。工厂、火车、轮船遍地开花, 单台省下的煤, 被暴增的总量吞没了十倍不止。
效率提升不会减少资源消耗,反而会放大它——这就是后来所说的杰文斯悖论(Jevons Paradox)。这个 160 年前关于煤的观察,可能是理解今天算力市场唯一重要的钥匙。
AI 正在精确复刻这个剧本
先看成本端发生了什么。得益于算法进步和芯片迭代的叠加, 产出同等质量智能所需要的成本,大约每年下降一个数量级。2023 年要花一美元的推理任务,如今几美分就能完成。云端 GPU 的租用价格, 相比 2023 年的峰值已经下跌了六七成。
按照直觉, 成本暴跌, 同样的预算能买到的算力暴增, 短缺应该缓解才对。
现实是: 按需租赁的 GPU 容量全线售罄, H100 这款四年前发布的旧卡, 租金一度半年上涨 40%, 新一代芯片交付周期排到半年以后。有研究机构形容,在市场上找算力就像抢购最后一班离开的航班。
便宜了,反而更抢不到了。杰文斯要是活着,会说:我早就告诉过你们。
一次完美的实验：DeepSeek 时刻
如果说有什么事件把这个悖论演给了全世界看, 那就是 DeepSeek。
2025 年初,这家中国公司发布了训练和推理成本远低于同行的高效模型, 市场的第一反应是教科书式的直觉推理:模型变高效 = 需要的算力变少 = 算力需求见顶。英伟达股价单日暴跌, 市值蒸发数千亿美元, 创下美股历史纪录。那几天, "算力过剩论"响彻华尔街。
然后呢? 接下来的几个月,剧情走向了直觉的反面: 高效、廉价的开源模型让无数原本用不起 AI 的公司和开发者涌入,推理需求爆炸式增长, 算力市场重新回到全面紧缺, 连最老的卡都被抢租一空。
市场用真金白银上了一堂杰文斯悖论课: 成本下降砸出来的不是需求的天花板, 是需求的地板下面还有十层地下室。
为什么这次的"放大器"格外猛
煤的杰文斯悖论持续了一个世纪,算力的版本可能更持久, 因为智能的潜在需求弹性比蒸汽动力大得多。
蒸汽机再便宜, 能用它的场景终究有限——能装进机器的活就那么多。而智能不一样: 价格每下降一个台阶, 就有一整层原本"不值得用 AI"的任务变得值得。一美元一次的推理, 只配用在高价值场景; 一美分一次,可以用来批改作业、审合同、盯监控; 再降十倍,AI 可以替你读完每一封邮件、盯着每一行代码、在你睡觉时替你干活。
尤其是 Agent(智能体)的出现, 彻底改变了消耗结构。聊天机器人时代,人问一句、机器答一句, 消耗有上限——人打字就那么快。Agent 时代, AI 自己规划任务、自己调用工具、自己检查修正,一个任务背后是成百上千次模型调用, token 消耗不再受人类打字速度约束。需求第一次摆脱了人类注意力的物理限制, 这是煤炭时代不曾有过的变量。
所以每一轮"效率革命"的新闻出来,先别急着喊算力过剩——先问一句:降下来的价格,又解锁了哪一层地下室?
收尾：回到第一篇的那个饭局
这个系列从一个饭局场景开始: 人人都在说算力短缺, 却没人说清短缺的是什么。五篇下来,可以把答案完整地拼起来了。
第一篇说,算力不是 GPU 也不只是数据中心, 是芯片、互联、电力组成的整条链, 短缺沿着链条转移。第二篇说,这条链生产的是史上第一种有生产函数的智能, 所以巨头敢按曲线下千亿美元的注。第三篇说,链条上的利润流向不可复制的环节, 生态比芯片更稀缺。第四篇说, 资本正以铁路狂热级的规模涌入,而 GPU 是会融化的资本, 真需求与真泡沫可能同时存在。
而这最后一篇,回答的是那个终极问题: 短缺什么时候结束?
杰文斯悖论给出的答案是:可能不会结束。 只要智能还有未解锁的应用层,效率的每一次提升都会转化为需求的又一轮放大。算力短缺不是供需之间的暂时失衡, 而更可能是这个时代的长期结构——就像过去两百年, 人类从没觉得能源"够用了"一样。
下次饭局再聊起算力,你可以放下"什么时候不缺了"这个问题,换一个更好的问题:
这一轮变便宜的智能,又会解锁什么?
Takeaways
这个 160 年前关于煤的观察,可能是理解今天算力市场唯一重要的钥匙。
成本下降砸出来的不是需求的天花板, 是需求的地板下面还有十层地下室。
需求第一次摆脱了人类注意力的物理限制, 这是煤炭时代不曾有过的变量。
Was this useful?